Il credal learning è una metodologia di weakly supervised learning (ma applicabile anche ad altri problemi di apprendimento, come il learning from noisy labels) in cui l’informazione parziale relativa alla variabile target è rappresentata tramite credal set (insiemi convessi di probabilità).
Sebbene siano stati proposti degli algoritmi stato-dell’arte per la risoluzione di questi problemi, non è disponibile una loro implementazione easy-to-use in un framework di Machine learning.
Scopo della tesi sarà quello di implementare, utilizzando il linguaggio Python e le principali librerie di ML in questo linguaggio, un particolare insieme di algoritmi per questo problema, noti come Generalized Risk Minimization, facendo riferimento ad articoli pubblicati in letteratura, e la valutazione degli stessi su dataset (sintetici e/o reali).
PREREQUISITI
- Conoscenze nell’ambito del Machine Learning (a livello di un corso di Laurea Magistrale).
- Python.
- Framework per il Machine Learning in Python (scikit-learn, PyTorch, Tensorflow/Keras).
- Preferibili conoscenze di ottimizzazione ed algoritmi/strutture dati.
OBIETTIVI FORMATIVI
- Acquisizione di conoscenze avanzate nell’ambito del machine learning, con particolare riferimento allo stato dell’arte nel weakly supervised learning (credal learning);
- Acquisizione di conoscenze avanzate nell’ambito dell’ottimizzazione; acquisizione di conoscenze di base nell’ambito della gestione dell’incertezza, con particolare riferimento alla teoria dei credal set;.
- Progettazione ed implementazione di algoritmi per l’apprendimento da integrare in una libreria Python.
DURATA DELLO STAGE E CONTESTO RACCOMANDATO
- Adatto a: Tesi di Laurea Magistrale in Informatica, Data Science o Artificial Intelligence. Tesi di Laurea Triennale in Informatica o Artificial Intelligence
- Durata: 6 mesi (circa, Tesi Magistrale), 3 mesi (circa, Stage Triennale).
MODALITA’ E ORARI DI LAVORO
- Modalità di lavoro: remota, con frequenti riscontri via mail e occasionali incontri di persona.
- Ore di lavoro: non fissate, ma generalmente ci saranno degli obbiettivi settimanali da raggiungere.
CONTATTI
- Contatto primario: Andrea Campagner, andrea.campagner@unimib.it